王 振，張志敏，李同飛,高 歌,禚保玲

(1.青島市城市規(guī)劃設(shè)計研究院，青島 266071； 2.北京工業(yè)大學(xué) 交通工程北京市重點實驗室，北京 100124； 3.山東科技大學(xué) 交通學(xué)院，青島 266590)

在城市規(guī)劃領(lǐng)域，居民通勤及職住特征的獲取需要借助大規(guī)模的抽樣入戶問卷調(diào)查，在操作簡單易行的同時也存在入戶難度大，調(diào)查成本高的弊端。隨著互聯(lián)網(wǎng)的興起，依托網(wǎng)頁、終端的調(diào)查發(fā)展迅速，通過問卷星，調(diào)查派等應(yīng)用進行居民出行調(diào)查，如青島市2015年第三次居民出行調(diào)查中采用網(wǎng)絡(luò)調(diào)查問卷調(diào)查居民的出行和通勤情況。網(wǎng)絡(luò)調(diào)查雖然能夠降低調(diào)查成本，但仍然需要被調(diào)查者主動填寫，是信息主動采集的過程，存在主觀臆斷的可能。目前，手機信令數(shù)據(jù)、APP定位數(shù)據(jù)等互聯(lián)網(wǎng)大數(shù)據(jù)，在信息被動采集的基礎(chǔ)上，借助大數(shù)據(jù)處理技術(shù)和人工智能算法能夠進行居民出行特征的分析。蘇躍江等[1]系統(tǒng)分析了包括手機信令數(shù)據(jù)在內(nèi)的大數(shù)據(jù)在交通調(diào)查中的應(yīng)用，從挖掘特殊調(diào)查指標、實現(xiàn)多源數(shù)據(jù)互補與校核兩個層面進行了深入剖析；付雷[2]闡述了手機信令數(shù)據(jù)在居民出行調(diào)查中關(guān)鍵技術(shù)，并以石家莊市為例從人口、出行以及通勤等方面進行分析。同時互聯(lián)網(wǎng)大數(shù)據(jù)，在保護用戶隱私的前提下，能夠最大程度地還原用戶出行軌跡，且具有樣本覆蓋廣的特點，例如傳統(tǒng)的居民出行調(diào)查抽樣率在3%左右，手機信令數(shù)據(jù)的樣本覆蓋率根據(jù)不同的運營商市場份額確定，但一般都在30%左右。

目前，我國的人口普查每10年一次，經(jīng)濟普查每5年一次，但人口普查數(shù)據(jù)不涉及就業(yè)地，經(jīng)濟普查數(shù)據(jù)不涉及居住地，因此難以根據(jù)官方統(tǒng)計數(shù)據(jù)進行通勤特征的研究。傳統(tǒng)職住空間的研究，尤其是通勤特征的分析往往需要借助手機信令數(shù)據(jù)、位置定位數(shù)據(jù)等多源數(shù)據(jù)。丁亮等[3]基于手機信令數(shù)據(jù)，根據(jù)居民的夜間駐留地和日間駐留地的密度分布識別出上海中心城區(qū)通勤圈；郭亮等[4]依托手機定位服務(wù)(location based service，LBS)數(shù)據(jù)識別武漢市中心城區(qū)主要通勤圈的空間分布；鐘煒菁等[5]以上海市為例，構(gòu)建“人口-時間-行為”關(guān)系的手機信令數(shù)據(jù)分析框架，研究職住關(guān)系和通勤出行特征；張?zhí)烊籟6]對比驗證了手機信令和居民出行調(diào)查的職住空間和距離較為吻合，并提出了職住通道平衡的概念；鈕心毅等[7]在運用手機信令數(shù)據(jù)識別職住分布時，比較分析了不同規(guī)則和參數(shù)取值的可靠性；李祖芬等[8]基于交通小區(qū)進行OD矩陣、出行期望線等居民出行時空特征提取，并與北京市第四次交通綜合調(diào)查結(jié)果進行比較，得出兩者偏差較小的結(jié)論；蔣寅等[9]基于手機信令數(shù)據(jù)，提出獲取職住分布的方法和路線，并以天津市為例，探究軌道交通與通勤廊道之間的耦合關(guān)系；鄒戴曉等[10]提出基于手機信令數(shù)據(jù)的職住識別方法，并通過交通模型對城市職住空間進行了分析；鄧社軍等[11]通過手機信令數(shù)據(jù)構(gòu)建城市間旅游出行網(wǎng)絡(luò)，并通過構(gòu)建指標評價體系分析了客流空間分布特征；于泉等[12]從用戶行為特征的角度運用手機信令數(shù)據(jù)對高速公路服務(wù)區(qū)客流進行可視化研究以及科學(xué)分析。

圖1 技術(shù)路線

張逸姬等[13]采用土地利用數(shù)據(jù)、公交地鐵刷卡以及微信定位數(shù)據(jù)等多源數(shù)據(jù)構(gòu)建職住空間分析框架，并對影響職住空間分布的因素進行了分析；申犁帆等[14]利用騰訊宜出行等多源數(shù)據(jù)分析軌道站點周邊人口分布，并通過高斯混合模型進行站點職住功能劃分；吳子嘯[15]通過構(gòu)建時空貪婪算法識別個體出行鏈，能夠最大程度降低信令數(shù)據(jù)定位的空間不確定性。

既有研究成果，無論是手機信令數(shù)據(jù)還是多源混合數(shù)據(jù)都對城市通勤進行了深入研究，但大多停留在通勤出行OD的獲取上，并未進行個體出行路徑的推演。本研究在傳統(tǒng)通勤OD識別算法的基礎(chǔ)上，充分利用手機信令數(shù)據(jù)自身特點，反推出行的中間點(基站定位)，從而構(gòu)造包含起訖點和中間點在內(nèi)的近似的出行路線進行通勤廊道分析；并實例分析利用手機信令數(shù)據(jù)進行通勤時耗分析有天然的局限性，技術(shù)路線如圖1所示。

圖2 青島市基站核密度分布

1 數(shù)據(jù)處理關(guān)鍵技術(shù)方法

1.1 數(shù)據(jù)說明

研究中手機信令數(shù)據(jù)的時間范圍為2018年8月1日—10月14日共76 d超過198.48億條數(shù)據(jù)，日均出行個體約653.49萬人，約占常住人口的69%(青島市2018年常住人口939.48萬人)。傳統(tǒng)的分析方法中，數(shù)據(jù)初始化時對基站進行柵格化處理，并以網(wǎng)格質(zhì)心作為網(wǎng)格內(nèi)所有基站的位置，在簡化計算的同時也降低了數(shù)據(jù)的精度，因此本研究采用基站自身作為分析單元。青島市有效基站共有約34 225個，其分布如圖2所示。

1.2 常住人口識別

常住人口的識別主要基于人口活動規(guī)律進行判斷，通過用戶長期信令數(shù)據(jù)，分析在不同時段不同空間的時間累積判斷常住人口。研究采用青島市連續(xù)76 d數(shù)據(jù)中，同一用戶在夜間時段(22:00—6:00)連接同一基站的逗留時間超過閾值，則計作為有效天數(shù)，累積有效天數(shù)超過分析數(shù)據(jù)時間的一半(38 d)，即認定該基站對應(yīng)的區(qū)域為該用戶的住址，該用戶即為常住人口，個體編號為MSID。

表1 出行鏈樣本

1.3 通勤出行識別

首先，針對原始手機信令數(shù)據(jù)通過出行鏈分析模型(時空貪婪算法[1])能夠最大限度地降低乒乓效應(yīng)和數(shù)據(jù)漂移的影響，進而得到全樣本的居民出行鏈數(shù)據(jù)，見表1，然后通過時間邊界閾值判斷出行(OD)。

如圖3所示，出行鏈中當(dāng)手機用戶在某一位置A駐留時間超過閾值(取15 min)，則認為該位置A為出行駐留點。當(dāng)兩個出行駐留點A，B的間隔時間Δ3-2超過閾值(取10 min)且兩個駐留點間的直線距離超過閾值(取500 m)，則認為相鄰兩個駐留點之間為一次出行。

Δ2-1=T2-T1，Δ3-2=T3-T2。

圖3 手機用戶出行(OD)定義

其次，根據(jù)青島市人均出行次數(shù)、統(tǒng)計年鑒人口總數(shù)等指標進行出行擴樣，得到青島市全方式OD出行。

最后，進行通勤出行的判斷。統(tǒng)計青島市工作日出行量數(shù)據(jù)，如圖4所示，6:00—10:00間的出行量在早高峰期間相對集中，約占全天出行的23%，考慮到此時間段內(nèi)多為上班出行，故作通勤分析樣本數(shù)據(jù)。在所有的出行OD中，通過常住人口(MSID)和時間邊界(早高峰6:00—10:00)兩個條件篩選出通勤出行。

圖4 全天出行時間分布

1.4 出行軌跡反推

基于分析得到的通勤出行，將個體編號(MSID)、時間從原始數(shù)據(jù)庫中提取出對應(yīng)的個體原始信令數(shù)據(jù)。如圖5所示，通過匯總個體原始信令數(shù)據(jù)，基站連接數(shù)據(jù)在20個以內(nèi)的占比高達76%，通勤出行連接基站平均數(shù)為11.26個，大于通勤出行的起終點2個基站。

1.5 通勤廊道聚合

區(qū)域通勤廊道通過人流量疊加法，將所有個體的出行軌跡點，分別以交通小區(qū)和500 m網(wǎng)格兩種尺度，按照個體(MSID)、基站位置去重后進行空間匯總，并進行密度分析，即得到對應(yīng)尺度的通勤廊道。

2 通勤出行分析

2.1 通勤距離

為了表示手機數(shù)據(jù)的時間密度，吳子嘯[15]將1 d劃分為以0.5 h 為單位的時段，在一個時段內(nèi)有一個或多個信令數(shù)據(jù)即表示該時段出現(xiàn)信令數(shù)據(jù)，而以出現(xiàn)信令數(shù)據(jù)的時段數(shù)表示時間密度，并據(jù)此計算信令數(shù)據(jù)出現(xiàn)的時間間隔。基于青島市手機信令數(shù)據(jù)進行時間密度分析，如圖6所示，在分析時段內(nèi)(7:00—22:00)信令數(shù)據(jù)出現(xiàn)頻次相對穩(wěn)定，平均時段數(shù)量為11.85個，平均間隔為75.9 min，而根據(jù)青島市第三次居民出行調(diào)查(2016年)居民的平均出行時耗為35.9 min，故運用手機數(shù)據(jù)進行時耗分析并不可靠。故本研究只做通勤距離的特征研究。

圖5 通勤出行連接基站分布情況

圖6 手機數(shù)據(jù)的時間密度分析

青島市各行政區(qū)通勤人口平均出行距離呈現(xiàn)外圍區(qū)市高于中心城區(qū)的態(tài)勢，如圖7所示，即墨區(qū)最高，平均出行距離7.14 km (2015年居民出行調(diào)查為6.4 km)；其次為平度市，平均出行距離6.86 km (2015年居民出行調(diào)查6.4 km)；城陽區(qū)平均出行距離最低，僅5.32 km。

對比青島市各行政區(qū)的平均通勤距離，如圖8所示，外圍的平度市、萊西市、即墨區(qū)、膠州市、西海岸新區(qū)其外出(圖8(a))和外來(圖8(b))的通勤出行均位于同一層級，表明其崗位吸引范圍和人口活躍范圍基本一致；市南區(qū)、嶗山區(qū)、城陽區(qū)外來通勤距離要大于外出，表明其崗位吸引的范圍更大，進一步佐證其崗位密集的特點；受“南工北宿”城市格局的影響，市北區(qū)、李滄區(qū)居住區(qū)密集，外出通勤距離大于外來。

圖7 青島市各區(qū)市通勤出行距離

圖8 青島市各區(qū)市外出及外來通勤距離(單位：km)

進一步分析鎮(zhèn)街尺度的通勤出行網(wǎng)絡(luò)發(fā)現(xiàn)，如圖9所示，中心城區(qū)的街道通勤距離集中在6 km以內(nèi)；城陽區(qū)的紅島街道、上馬街道、棘洪灘街道、流亭街道以及河套街道外來通勤距離要大于外出，表明其就業(yè)吸引范圍相對更大；西海岸新區(qū)的海青鎮(zhèn)、膠河管區(qū)距離中心城區(qū)較遠，其外出和外來的通勤距離均在10 km以上。

圖9 青島市各街道外出及外來通勤距離(單位：km)

圖10 青島市通勤客流途經(jīng)人流密度

2.2 通勤廊道

區(qū)域通勤廊道通過識別區(qū)域內(nèi)人流軌跡的主要路徑來模擬，即區(qū)域廊道通過人流量疊加法。如圖10所示，青島市東岸城區(qū)中的市南區(qū)、市北區(qū)、李滄區(qū)、嶗山區(qū)、城陽區(qū)、即墨區(qū)整體處于通勤連綿范圍內(nèi)；外圍的膠州市、平度市、萊西市相對獨立，與東岸城區(qū)的通勤聯(lián)系較弱；西海岸新區(qū)呈現(xiàn)為兩個通勤組團，分別為開發(fā)區(qū)和原膠南組團，且兩者之間通道單一。

疊加城市路網(wǎng)后，由圖11可見，青島市東岸城區(qū)中東西向廊道主要集中在膠寧高架-寧夏路、香港東路兩個方向上，南北向廊道則以山東路-黑龍江路為主，并延伸至城陽區(qū)；城陽區(qū)、即墨區(qū)與市內(nèi)四區(qū)通勤廊道單一，內(nèi)部道路相對獨立。

同理，以500 m網(wǎng)格為空間單元，按照個體(MSID)、基站位置對個體進行去重后，匯總統(tǒng)計進行人流密度分析得到網(wǎng)格尺度區(qū)域通勤廊道。如圖12所示，青島市內(nèi)四區(qū)通勤客流呈現(xiàn)廊道一體化特征，并沿主要道路帶狀布局，山東路-哈爾濱路-黑龍江路與地鐵3號線復(fù)合廊道貫通南北；平度市呈現(xiàn)東西向矩形通勤廊道，接近40%的出行分布在9 km × 6 km范圍內(nèi)；萊西市呈現(xiàn)南北向矩形通勤廊道，約50%的出行分布在9 km × 5 km的范圍內(nèi)；即墨區(qū)、膠州市一半以上的出行集中在5 km以內(nèi)，通勤廊道圍繞中心放射延伸；西海岸新區(qū)通勤廊道呈現(xiàn)開發(fā)區(qū)和原膠南雙矩形通勤廊道結(jié)構(gòu)，接近140 km2范圍內(nèi)集中了全區(qū)約65%的早高峰出行。

圖11 基于交通小區(qū)的早高峰通勤廊道

圖12 基于500 m網(wǎng)格的早高峰通勤廊道

3 結(jié)束語

本文運用手機信令數(shù)據(jù)對青島市通勤距離、通勤時間等通勤特征進行分析，并通過回溯原始數(shù)據(jù)推算通勤個體出行軌跡，匯總后得到全市通勤廊道。以青島市為例，全市通勤距離處于合理范圍之內(nèi)，但各行政區(qū)通勤出行距離呈現(xiàn)外圍區(qū)市高于中心城區(qū)的態(tài)勢，同時受“南工北宿”城市格局的影響，市北區(qū)、李滄區(qū)居住區(qū)密集，外出通勤距離大于外來。因此即墨區(qū)、萊西市等外圍區(qū)市應(yīng)通過優(yōu)化引導(dǎo)職住空間匹配，合理控制通勤出行距離。市南區(qū)、市北區(qū)、李滄區(qū)、嶗山區(qū)等市內(nèi)四區(qū)通勤客流呈現(xiàn)廊道一體化特征，即墨區(qū)、平度市、萊西市等外圍區(qū)市通勤聯(lián)系呈現(xiàn)組團獨立發(fā)展態(tài)勢，因此，在城市一體化發(fā)展過程中應(yīng)通過預(yù)留有限通道資源，優(yōu)先發(fā)展大容量公共交通工具實現(xiàn)市區(qū)與遠郊的便捷聯(lián)系。